机器学习 · 异常检测
HGAD
用图模型捕捉服务器信号之间的变化。
在服务器监控时间序列上开展图与超图异常检测实验，涵盖数据准备、模型实现和对照实验。
构建关系，再重构信号
信号窗口
Server Machine Dataset
超图
构建信号关系
自编码器
重构信号
异常评分
实验流程 · 仅为概念示意
要解决的问题
服务器异常可能表现为多个信号之间的关系发生变化，而不只是某个读数异常。本项目使用 Server Machine Dataset，探索图与超图表示如何捕捉这些关系。
我的工作
实现数据处理、图构建、自编码器模型、异常评分及与多种基线模型的批量对照实验。
工程决策
显式表达信号关系
将时间序列窗口转换为图或超图输入。分层模型使用自适应边门控与自编码器重构节点特征。
与更简单的方法比较
使用 Isolation Forest、LSTM 自编码器和 GCN 作为基线，为超图方法提供对照。批量脚本统一保存运行命令、日志和结果摘要。
解释分数如何变成异常判断
评估组合了重构、时间差分和嵌入信号。阈值选择本身也是实验方法的一部分，不能隐藏在一个性能数字之后。
交付与范围
基于 Server Machine Dataset 的 ML 实验。阈值搜索使用测试标签选择 F1，因此评估受这一调参过程影响，不属于未经调参的独立留出集评估。目前没有部署监控或告警服务。
查看项目源码
在 GitHub 查看代码、架构说明与交付细节。